環(huán)志剛，蔣國(guó)權(quán)，周澤云，陳 濤，嚴(yán) 浩

(1.國(guó)防科技大學(xué) 第六十三研究所，江蘇 南京 210007；2.東南大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，江蘇 南京 210096；3.裝備發(fā)展部 信息中心，北京 100034；4.裝備發(fā)展部某局，北京 100034)

0 引 言

事件共指消解(event coreference resolution，ECR)是對(duì)文本中指代現(xiàn)實(shí)中相同事件的提及進(jìn)行聚類的任務(wù)[1]。情報(bào)文檔中存在大量重復(fù)的事件提及，增加了情報(bào)數(shù)據(jù)的復(fù)雜性和自動(dòng)處理的難度，并影響后續(xù)情報(bào)應(yīng)用效果。事實(shí)上，文檔中部分事件提及指代同一情報(bào)事件，通過(guò)ECR技術(shù)進(jìn)行事件消歧、信息融合，可以消除情報(bào)數(shù)據(jù)中的事件冗余，降低自動(dòng)處理事件數(shù)據(jù)的難度。情報(bào)信息往往具有多個(gè)來(lái)源，跨文檔事件共指消解技術(shù)允許識(shí)別多個(gè)文檔中共指的情報(bào)事件，從而融合多源情報(bào)信息。不同于文檔內(nèi)事件共指消解只需為每個(gè)文檔內(nèi)的每對(duì)事件提及計(jì)算共指分?jǐn)?shù)，大多數(shù)的跨文檔事件共指消解需要計(jì)算語(yǔ)料庫(kù)中所有事件對(duì)(可能來(lái)自同一文檔，也可能不是)的共指得分。本文提出一種利用事件共指消解技術(shù)融合多元情報(bào)信息的框架。首先，利用標(biāo)注好的情報(bào)語(yǔ)料訓(xùn)練事件預(yù)測(cè)模塊，并用其識(shí)別未標(biāo)注語(yǔ)料中的情報(bào)事件、類型和論元等信息。然后，將這些信息輸入文檔內(nèi)共指消解模塊，實(shí)現(xiàn)單個(gè)情報(bào)文檔內(nèi)的信息融合。最后，設(shè)計(jì)了一個(gè)跨文檔共指消解的算法，利用文檔內(nèi)事件共指消解的結(jié)果優(yōu)化跨文檔事件共指消解，融合多源情報(bào)文檔中的共指情報(bào)信息。本文所提的模型，只需在訓(xùn)練階段使用少量標(biāo)注語(yǔ)料訓(xùn)練模型，在實(shí)施情報(bào)融合工作時(shí)不需要額外使用任何標(biāo)注信息，模型自動(dòng)實(shí)現(xiàn)情報(bào)事件識(shí)別和融合。

1 相關(guān)工作

早期文檔內(nèi)事件共指消解使用傳統(tǒng)方法，如基于概率的模型和基于圖的模型[2]。這類方法大多源自實(shí)體共指消解并且關(guān)注英文事件共指消解，效果不佳。針對(duì)各種注釋事件屬性，成對(duì)事件共指模型被提出，但是傳統(tǒng)成對(duì)分類器沒(méi)有考慮文檔內(nèi)的全局信息，成對(duì)結(jié)果轉(zhuǎn)化為共指事件鏈時(shí)存在很多沖突。近年來(lái)，神經(jīng)網(wǎng)絡(luò)在各種英文NLP應(yīng)用中得到了廣泛的應(yīng)用。Lu和Ng[3]探索了基于跨度模型的事件共指消解方法，并驗(yàn)證了跨任務(wù)依賴和實(shí)體共指信息可以被有益地用于事件共指消解。Wei等[4]提出了一種基于事件觸發(fā)詞來(lái)選擇性表達(dá)句子語(yǔ)義的方法，以判斷短文本中的事件共指關(guān)系。Lai等[5]設(shè)計(jì)了一種基于事件觸發(fā)詞的上下文相關(guān)的門控神經(jīng)網(wǎng)絡(luò)，獲取無(wú)噪聲的事件成對(duì)特征解決英文事件共指。Peng等[6]提出一種是基于最小監(jiān)督的事件檢測(cè)和事件共指消解的聯(lián)合方法，共同改善事件檢測(cè)和事件共指消解兩個(gè)任務(wù)的性能。

大多數(shù)跨文檔事件共指消解方法將其看作是一個(gè)二分類問(wèn)題。早期的工作利用手工標(biāo)注的特征(例如文章主旨、詞嵌入相似度等)。現(xiàn)在更多的方法依賴神經(jīng)網(wǎng)絡(luò)，并利用基于特征的嵌入[7，8]或上下文嵌入[9，10]。最近的方法[9]利用預(yù)訓(xùn)練語(yǔ)言模型編碼整個(gè)文檔，得到較強(qiáng)的基準(zhǔn)模型。但是，這種方法必須為語(yǔ)料庫(kù)所有文檔中共n個(gè)事件提及兩兩組成的每對(duì)提及計(jì)算一個(gè)相似度得分，因此共要計(jì)算n2次。

相比于英文事件共指消解，中文語(yǔ)料上的研究更少。針對(duì)事件的語(yǔ)義信息主要由觸發(fā)詞和論元表示這一個(gè)特點(diǎn)，Huan等[11]將事件進(jìn)行結(jié)構(gòu)化表示并輸入一個(gè)基于門控注意力機(jī)制的模型，進(jìn)行文檔內(nèi)中文事件共指消解。為解決事件提及中事件無(wú)關(guān)信息的影響以及中文句子結(jié)構(gòu)靈活多樣的問(wèn)題，Cheng等[12]設(shè)計(jì)一種門控注意力神經(jīng)網(wǎng)絡(luò)模型從事件提及中選擇事件相關(guān)信息，然后過(guò)濾噪聲信息。這些方法都是利用語(yǔ)料中已經(jīng)標(biāo)注好的事件信息(事件觸發(fā)詞、類型和論元等)解決中文共指問(wèn)題，然而現(xiàn)實(shí)任務(wù)中標(biāo)注語(yǔ)料的代價(jià)昂貴，因此這些方法泛化性差，難以應(yīng)用到現(xiàn)實(shí)任務(wù)中。此外，情報(bào)語(yǔ)料中的事件具有特殊性，在通用語(yǔ)料庫(kù)上訓(xùn)練的模型直接應(yīng)用到情報(bào)領(lǐng)域效果不佳。

目前，事件共指消解應(yīng)用于各種自然語(yǔ)言處理任務(wù)，包括主題檢測(cè)[13]、信息抽取[14]和閱讀理解[15]等。本文提出將其應(yīng)用到情報(bào)領(lǐng)域，融合多源情報(bào)文檔中的共指事件，消除冗余，提高自動(dòng)處理信息的效率。針對(duì)現(xiàn)有中文事件共指消解方法過(guò)度依賴標(biāo)注好的特征的問(wèn)題，提出了端到端的中文事件共指方法，消除模型對(duì)標(biāo)注信息的依賴。此外，重新定義情報(bào)事件類型和論元角色，使模型適應(yīng)解決情報(bào)事件共指，融合多源情報(bào)信息的工作。本文的貢獻(xiàn)主要包括4個(gè)方面：①提出一種用于融合多源情報(bào)的端到端事件共指消解方法；②提出一種用于解決文檔內(nèi)事件共指的方法，融合文檔內(nèi)的情報(bào)信息；③設(shè)計(jì)一種解決跨文檔的事件共指消解算法，利用文檔內(nèi)事件共指消解的結(jié)果融合多源情報(bào)信息；④實(shí)驗(yàn)結(jié)果表明，本文提出的方法對(duì)消除冗余信息、簡(jiǎn)化情報(bào)文本，融合情報(bào)信息具有明顯增益。

2 模 型

2.1 模型框架

模型總共包括3個(gè)模塊：事件預(yù)測(cè)模塊、文檔內(nèi)共指消解模塊和跨文檔共指消解模塊，如圖1所示。

圖1 模型結(jié)構(gòu)

首先，通過(guò)手動(dòng)標(biāo)注的情報(bào)語(yǔ)料庫(kù)，重新訓(xùn)練事件抽取模型ONEIE[16]，使其適應(yīng)情報(bào)事件的預(yù)測(cè)工作；其次，通過(guò)訓(xùn)練好的事件預(yù)測(cè)模塊預(yù)測(cè)待消解的情報(bào)數(shù)據(jù)，得到事件觸發(fā)詞、類型和事件論元；然后，將原始文檔和這些信息輸入文檔內(nèi)共指消解模塊得到文檔內(nèi)事件共指鏈；最后，通過(guò)跨文檔共指消解模塊，完成跨文檔的情報(bào)融合。下面將依次介紹事件預(yù)測(cè)模塊、文檔內(nèi)共指消解模塊和跨文檔共指消解模塊。

2.2 事件預(yù)測(cè)模塊

本文采用ONEIE來(lái)識(shí)別事件提及和它們的子類型和論元。ONEIE是一種捕獲跨子任務(wù)和跨實(shí)例的相互依賴關(guān)系的聯(lián)合神經(jīng)框架，旨在提取全局最優(yōu)的信息抽取結(jié)果。ONEIE分4個(gè)階段進(jìn)行端到端的搜索：將給定的句子編碼為上下文化的單詞表示；識(shí)別實(shí)體提及和事件觸發(fā)詞為圖節(jié)點(diǎn)；使用局部分類器計(jì)算所有節(jié)點(diǎn)及其成對(duì)鏈接的標(biāo)簽得分；使用解碼器搜索全局最優(yōu)圖。在解碼階段，結(jié)合全局特征來(lái)捕獲跨子任務(wù)和跨實(shí)例的交互。ONEIE是最先進(jìn)的信息抽取聯(lián)合神經(jīng)模型，在ACE2005數(shù)據(jù)集上獲得了最優(yōu)效果。ACE2005數(shù)據(jù)集定義了8種事件類型和33種事件子類型，并為每種子類型的事件定義了若干種論元。為了在情報(bào)文檔中獲取最佳的情報(bào)事件預(yù)測(cè)結(jié)果，本文選擇了情報(bào)事件可能的5種類型和16種子類型，見(jiàn)表1。

表1 情報(bào)事件的類型和子類型

此外，本文還為每種類型的情報(bào)事件定義了4種角色的論元：arg0、arg1、arg_t和arg_p。各種論元的解釋見(jiàn)表2。

表2 情報(bào)事件的論元

2.3 文檔內(nèi)共指消解模塊

提及編碼的輸入是一個(gè)包含n個(gè)詞元和k個(gè)事件提及 {m1，m2，…，mk} 的文檔D。 文檔內(nèi)事件共指消解模塊如圖2所示。

圖2 文檔內(nèi)事件共指消解模塊

模型首先使用BERT為每個(gè)輸入詞元形成上下文表示，用X=(X1，X2，…，Xn) 表示編碼器的輸出，其中Xi∈Rd，d表示每個(gè)詞元編碼后的向量維度。對(duì)于每個(gè)mi， 用si和ei分別表示觸發(fā)詞的開(kāi)始和結(jié)束索引，它的觸發(fā)詞的表示ti被定義為其詞元嵌入的平均值

(1)

(2)

給定兩個(gè)提及mi和mj， 觸發(fā)詞對(duì)和對(duì)應(yīng)角色r的論元對(duì)的表示分別被定義為

tij=FFNNt(ti，tj，ti°tj)

(3)

(4)

事件抽取任務(wù)中可能包含錯(cuò)誤，且在特定的上下文中，某些論元包含的信息更有利于解決事件共指。受到Lai等[1，5]的啟發(fā)，引入一種門控過(guò)濾機(jī)制，利用觸發(fā)詞有選擇地從論元中提取信息。如圖3所示。

圖3 門控模塊

(5)

本文使用以下方法獲取兩個(gè)分量的權(quán)重系數(shù)

(6)

(7)

將觸發(fā)詞表示、論元表示簡(jiǎn)單拼接，得到最終的事件提及對(duì)表示fij

(8)

最后，對(duì)于事件提及mi和mj， 將事件提及對(duì)表示fij輸入一個(gè)前饋神經(jīng)網(wǎng)絡(luò)打分器，輸出mi和mj的共指得分

s(i，j)=FFNNc(fij)

(9)

其中，F(xiàn)FNNc是一個(gè)R5×p→R的前饋神經(jīng)網(wǎng)絡(luò)。

(10)

2.4 跨文檔共指消解模塊

利用2.3節(jié)中的方法，可以得到每個(gè)情報(bào)文檔的事件共指鏈集合，根據(jù)這些鏈可以初步融合每個(gè)文檔內(nèi)的情報(bào)事件。但是，同一情報(bào)事件不僅會(huì)出現(xiàn)在同一文檔中，還可能會(huì)出現(xiàn)在多源情報(bào)中。為了降低計(jì)算，本文提出了跨文檔事件共指消解算法，利用文檔內(nèi)事件共指消解的結(jié)果進(jìn)一步融合多源情報(bào)。如算法1所示。

算法1：跨文檔事件共指消解

輸入：文檔1和文檔2的事件共指鏈集合S1和S2

輸出：跨文檔事件共指鏈集合S

for each chainS1//循環(huán)S1中的每條共指鏈

C={} //存放當(dāng)前鏈和S2中每條鏈的共指得分

for each chainS2//循環(huán)S2中的每條共指鏈

計(jì)算兩條鏈的共指得分

將得分加入集合C

end for

/計(jì)算當(dāng)前鏈(S1中)與S2中最有可能共指的鏈

計(jì)算C中最高的分?jǐn)?shù)cij

ifcij>0 //判斷為共指

合并ci和cj并作為一條新鏈加入集合S,更新S2

else //判斷為不共指

將ci加入集合S

end else

end if

end for

將S2中的剩余鏈加入集合S

在算法1中，對(duì)于每條文檔內(nèi)共指鏈，本文使用該鏈中所有事件提及表示的平均池化作為鏈的表示。計(jì)算鏈與鏈共指得分的打分器與2.3節(jié)中的打分器相同。首先，計(jì)算文檔1中的鏈與文檔2中每條鏈的共指得分；然后，取出共指得分最高的兩條鏈(文檔1中的每條鏈至多只能在文檔2中找到一條共指鏈，即不存在鏈與其它文檔中多條鏈共指)判斷是否共指。如果存在共指，將兩條鏈合并成一條新的事件鏈加入跨文檔事件鏈集合；如果不共指，將文檔1中的鏈加入跨文檔事件鏈集合，繼續(xù)判斷其它鏈。最后，得到跨文檔事件共指鏈集合。利用得到的跨文檔事件鏈完成多源情報(bào)事件融合。

3 結(jié)果和應(yīng)用展示

受限于數(shù)據(jù)集，本文在ACE2005中文數(shù)據(jù)集上進(jìn)行所有的實(shí)驗(yàn)。ACE事件被分為8個(gè)大類，33個(gè)小類，根據(jù)每類事件的特點(diǎn)，ACE2005定義了事件論元，包括事件參與者和事件發(fā)生的時(shí)間地點(diǎn)等。下面將介紹相關(guān)定義：

事件提及：描述事件的短語(yǔ)或句子；

事件觸發(fā)詞：清楚表示事件發(fā)生的主要單詞，通常是名詞或者是動(dòng)詞；

事件論元：實(shí)體或短語(yǔ)，包括事件參與者和事件發(fā)生的時(shí)間和地點(diǎn)；

事件類型：由觸發(fā)詞類型決定。

ACE中文語(yǔ)料庫(kù)共計(jì)632個(gè)文檔，但不是每個(gè)文檔中都存在共指事件對(duì)。因此本文使用ONEIE識(shí)別文檔中的事件提及其特征，并移除不存在共指事件對(duì)的文檔。本實(shí)驗(yàn)選擇其中含有相同類型事件對(duì)的文檔(事件類型不相同的事件對(duì)不具有共指關(guān)系，故舍棄)，最終共提取出445個(gè)文檔。將同一文檔中的任意兩個(gè)事件組成事件對(duì)，剔除事件類型不相同的事件對(duì)，共計(jì)14 394個(gè)事件對(duì)。

本文實(shí)驗(yàn)在一臺(tái)配備Intel(R)Xeon(R)Gold 5120 CPU @ 2.20GHz和NVIDIA Tesla V100 gpu的服務(wù)器上進(jìn)行。已分配內(nèi)存為187G。GPU內(nèi)存為16G。

3.1 事件預(yù)測(cè)的結(jié)果展示

根據(jù)表2定義的事件類型和論元，標(biāo)注情報(bào)語(yǔ)料，并利用標(biāo)注好的語(yǔ)料訓(xùn)練ONEIE，使其預(yù)測(cè)情報(bào)文檔中事件和抽取事件信息的準(zhǔn)確度達(dá)到最佳。將待消解的文檔輸入訓(xùn)練好的事件預(yù)測(cè)模塊，輸出事件觸發(fā)詞、子類型和論元。利用情報(bào)事件重新訓(xùn)練ONEIE得到事件預(yù)測(cè)模塊，事件預(yù)測(cè)模塊中預(yù)測(cè)觸發(fā)詞和論元的F1分?jǐn)?shù)見(jiàn)表3。

表3 事件預(yù)測(cè)模塊的效果

事件預(yù)測(cè)模塊中預(yù)測(cè)觸發(fā)詞和論元的F1分?jǐn)?shù)見(jiàn)表3，觸發(fā)詞的識(shí)別和分類任務(wù)的F1分?jǐn)?shù)分別達(dá)到75.6和72.8，論元的F1分?jǐn)?shù)分別為57.3和54.8。

表4是事件預(yù)測(cè)模塊應(yīng)用的一個(gè)示例。如表所示，觸發(fā)詞有5個(gè)參數(shù)，分別是觸發(fā)詞的id、文本、類型(子類型)、始末位置和置信分?jǐn)?shù)。其中始末位置表示，觸發(fā)詞文本在文檔中的起始位置和結(jié)束位置，置信分?jǐn)?shù)表示觸發(fā)詞的置信度。論元中有6個(gè)參數(shù)，前5個(gè)參數(shù)定義與觸發(fā)詞類似，第6個(gè)參數(shù)是對(duì)應(yīng)的觸發(fā)詞的id。

3.2 文檔內(nèi)事件共指消解的結(jié)果展示

模型的目標(biāo)輸出文檔中的所有共指事件鏈。當(dāng)一個(gè)事件提及的預(yù)測(cè)先行詞是它的真實(shí)共指事件時(shí)，認(rèn)為這個(gè)預(yù)測(cè)的先行詞是正確的先行詞。為了得到最佳的結(jié)果，模型優(yōu)化所有正確的先行詞的邊際對(duì)數(shù)似然[17]

(11)

其中，GOLD(i) 表示mi的真實(shí)共指事件鏈，如果mi不存在真實(shí)共指事件，則GOLD(i)={ε}，P(i，j) 表示mi與mj共指的概率。

通過(guò)優(yōu)化這個(gè)目標(biāo)函數(shù)，模型可以自動(dòng)學(xué)習(xí)如何利用真實(shí)共指鏈準(zhǔn)確修剪預(yù)測(cè)共指事件鏈，最終獲得最佳的模型性能。

(12)

MUC：事件共指消解最重要的評(píng)估指標(biāo)，它是基于事件鏈接的分?jǐn)?shù)。MUC分?jǐn)?shù)計(jì)算了將預(yù)測(cè)的事件共指鏈映射到標(biāo)注的事件共指鏈(正確的事件共指鏈)所需插入或刪除的最少鏈接數(shù)量。它的缺陷是無(wú)法衡量模型預(yù)測(cè)不存在共指關(guān)系的事件的性能。

B3：基于事件節(jié)點(diǎn)的分?jǐn)?shù)，它彌補(bǔ)了MUC對(duì)非共指事件評(píng)估的不足。B3主要對(duì)每個(gè)事件提及分別計(jì)算精確率和召回率，然后以所有事件提及的分?jǐn)?shù)平均值作為最終的指標(biāo)。

CEAFe：類似于B3，但它添加了實(shí)體相似度來(lái)評(píng)估事件共指消解的性能。CEAFe主要基于這樣一種思想：如果兩個(gè)事件提及是共指的，那么它們對(duì)應(yīng)角色的參數(shù)(實(shí)體)也是共指的。

BLANC：衡量非共指事件和共指事件之間的平均性能。BLANC實(shí)現(xiàn)了蘭德指數(shù)，主要用于聚類算法。BLANC正確地處理不存在共指關(guān)系的事件，并根據(jù)被提及的數(shù)量獎(jiǎng)勵(lì)正確的事件提及。BLANC背后的一個(gè)基本假設(shè)是，對(duì)于給定的事件提及，所有共指鏈接和非共指鏈接的總和是不變的。

此外，本文還使用了CoNLL(式(13))和AVG(式(14))作為對(duì)比指標(biāo)[1]

(13)

(14)

本文在ACE2005中文數(shù)據(jù)集上測(cè)試文檔內(nèi)共指消解，結(jié)果見(jiàn)表5，模型的CoNLL分?jǐn)?shù)和AVG分?jǐn)?shù)分別達(dá)到了58.2和56.3。Peng的方法是基于最小監(jiān)督的事件檢測(cè)和事件共指消解的聯(lián)合方法。Lai等[5]的工作在ACE2005英文數(shù)據(jù)集上取得了最好的成績(jī)，我們?cè)谥形臄?shù)據(jù)集上重新訓(xùn)練并測(cè)試了Lai等的工作。由表5可以看出相比于Peng和Lai等的工作，我們的文檔內(nèi)事件共指消解方法在對(duì)多個(gè)指標(biāo)上獲得了不錯(cuò)的提升，其中相比于最好的模型，本文的模型在CoNLL和AVG兩個(gè)指標(biāo)上分別提升了0.8和0.7。

表5 端到端事件共指消解的效果

圖4展示了文檔內(nèi)事件共指消解的一個(gè)示例，文檔中用粗體標(biāo)注了事件觸發(fā)詞，事件鏈中粗體標(biāo)注了模型判斷共指的事件。

圖4 文檔內(nèi)事件共指消解的應(yīng)用示例

3.3 跨文檔事件共指消解的應(yīng)用舉例

俄烏沖突初期，烏軍可以發(fā)動(dòng)密集、精確的伏擊戰(zhàn)的一個(gè)重要原因是每個(gè)烏克蘭人都可以對(duì)看到的俄軍進(jìn)行拍攝，附加文字說(shuō)明后上傳到特定APP。烏軍就會(huì)對(duì)俄軍在各個(gè)位置的坦克、裝甲車、補(bǔ)給車、運(yùn)輸車隊(duì)等的精確位置和實(shí)時(shí)動(dòng)態(tài)，有一個(gè)比較準(zhǔn)確的認(rèn)識(shí)。

情報(bào)上傳的時(shí)間和地點(diǎn)由APP自動(dòng)提供。例如，下面有3條上傳APP的情報(bào)：

5月26日15：00，甲地上傳了一條情報(bào)：“俄羅斯的坦克從我這經(jīng)過(guò)”。

5月26日15：30，乙地上傳了一條情報(bào)：“有5輛俄軍坦克駛過(guò)乙地”。

5月26日16：00，丙地上傳了一條情報(bào)：“俄軍正在向南方向前進(jìn)”。

對(duì)于這3條情報(bào)，首先使用事件預(yù)測(cè)技術(shù)分別得到3個(gè)事件觸發(fā)詞“經(jīng)過(guò)”、“駛過(guò)”和“前進(jìn)”，它們的事件子類型均為“轉(zhuǎn)移”并且有相似語(yǔ)義的論元“俄羅斯的坦克”、“俄軍坦克”和“俄軍”，通過(guò)事件共指消解技術(shù)可以判斷這3條情報(bào)指代同一條情報(bào)。信息融合之后可以得知“5月26日，俄軍5輛坦克于15：00從甲地出發(fā)，于15：30經(jīng)過(guò)乙地，于16：00駛向丙地，并且仍在向南方前進(jìn)”。

對(duì)于上述情報(bào)，“甲—乙—丙”這條路線上的每個(gè)烏克蘭人都有可能上傳一條相似情報(bào)，數(shù)據(jù)量龐大，很難通過(guò)人力處理。對(duì)于這種多源情報(bào)，使用跨文檔事件共指消解技術(shù)可以很好地融合情報(bào)信息。然后根據(jù)情報(bào)中不同的時(shí)間、地點(diǎn)，繪制出俄軍轉(zhuǎn)移的具體路線和實(shí)時(shí)路線，并預(yù)測(cè)俄軍的下一步動(dòng)作，發(fā)動(dòng)靈活、精確的伏擊戰(zhàn)。

4 結(jié)束語(yǔ)

本文提出將事件共指消解技術(shù)用于融合多源情報(bào)信息。情報(bào)文檔中存在大量重復(fù)冗余的事件信息，嚴(yán)重影響自動(dòng)處理信息的效率，大量積累的情報(bào)數(shù)據(jù)無(wú)法及時(shí)轉(zhuǎn)化成知識(shí)應(yīng)用。通過(guò)一種端到端的事件共指消解模型，首先識(shí)別每個(gè)情報(bào)文檔中的事件，然后對(duì)每個(gè)文檔進(jìn)行事件共指消解，最后利用各個(gè)情報(bào)文檔共指消解的結(jié)果實(shí)現(xiàn)多源情報(bào)的融合。結(jié)果表明，本文提出的方法可以較好融合多源情報(bào)，降低自動(dòng)處理數(shù)據(jù)的難度。